انسخ الموديلات التقليدية للتوقعات الجوية. graficoCast، الذكاء الاصطناعي من جوجل ديبميشن، يعلن ثورة في التنبؤ بالطقس على مدى 10 أيام بدقة غير مسبوقة، مما يفوق حتى المعايير العالمية مثل ECMWF. دعنا نستكشف هذه التقنية التي تُعد بتغيير علاقتنا بالطقس.
تخيل القدرة على التنبؤ بالطقس بدقة أكبر، ليس على مدى 3 أيام، بل على مدى 10 أيام. هذا ما يضمنه GraphCast، وهو نموذج للذكاء الاصطناعي تم تطويره بواسطة Google DeepMind. في عالم الأرصاد الجوية، حيث كل ساعة مهمة لتنبؤ الظواهر الاستثنائية أو حتى لتنظيم الحياة اليومية، فإن هذه التقدم تمثل خطوة نوعية كبيرة. تشير التقييمات الأولية إلى أن GraphCast لا يكتفي بمواكبة أفضل النماذج الحالية، بل يفوقها في العديد من جوانب التنبؤ على المدى المتوسط.
GraphCast يحقق دقة غير مسبوقة على مدى 10 أيام
النتائج لا تقبل الجدل: GraphCast قادر على التنبؤ بتغيرات الغلاف الجوي للأرض خلال 10 أيام القادمة بدقة أعلى من أقوى نماذج الأرصاد الجوية الرقمية، بما في ذلك نماذج مركز الأرصاد الجوية الأوروبية للتنبؤ بالطقس على المدى المتوسط (ECMWF)، والتي غالباً ما تعتبر مرجع عالمي. هذه التحسينات تهم تنبؤ العديد من المتغيرات الجوية، مثل درجة الحرارة والضغط الجوي وسرعة واتجاه الرياح، وكذلك احتمال السقوط المطرية. أظهر الأداة فعالية خاصة في تنبؤ الظواهر الاستثنائية مثل العواصف الاستوائية، مما تحسين بشكل كبير مسارها وشدة توقعاتها حتى بعد 10 أيام.
تحت الغطاء: كيف تتعلم الذكاء الاصطناعي التنبؤ بالطقس
السر في GraphCast يكمن في معماريته التي تستند إلى شبكات العصبونات المرتبطة (Graph Neural Networks - GNN). على عكس النماذج الأرصادية التقليدية التي تعتمد على حل المعادلات التفاضلية المعقدة من خلال تحليل قوانين الفيزياء، فإن GraphCast يتعلم من كميات هائلة من البيانات الجوية التاريخية. يAnalyze العلاقات المعقدة بين مختلف النقاط على سطح الأرض ومتغيرات الأرصاد الجوية المختلفة، كما لو كان شبكة كبيرة مترابطة. بمعالجة البيانات الجوية على شكل نماذج، يمكنه تكوين التفاعلات والاعتماديات الفضائية والزمانية بشكل فعال. هذا النموذج للتعلم الآلي تم تدريبه على عقود من البيانات المستخرجة من تجارب الأرصاد الجوية، مما يتيح له تحديد الأنماط والتغيرات التي تستغرق طرق الفيزياء التقليدية وقتًا أطول لحسابها أو لا تستطيع التقاطها بنفس الدقة.
ضد النماذج الفيزيائية التقليدية: عصر جديد
النماذج الأرصادية الحالية، رغم تعقيدها، تعتمد على حل قوانين الفيزياء الأساسية التي تصف سلوك الغلاف الجوي. هذه التحليلات تكون مكلفة للغاية من حيث قوة الحوسبة وتستغرق وقتًا طويلاً. ومع ذلك، يعمل GraphCast بطريقة مختلفة. بمجرد التدريب، يمكن للنموذج إنتاج تنبؤ كامل في دقائق، بينما قد تحتاج النماذج التقليدية إلى ساعات من الحساب على حواسيب قوية. هذه السرعة هي ميزة كبيرة، مما يتيح إنتاج التنبؤات بشكل أكثر تكرار أو استكشاف عدد أكبر من السيناريوهات الممكنة، مما يقلل بالتالي من عدم اليقين في التنبؤ. لا تحل الذكاء الاصطناعي محل الفيزياء، ولكنها توفر نهجًا مكملًا وغالبًا ما يكون أكثر فعالية لبعض المهام التنبؤية. ECMWF، على سبيل المثال، يستخدم بالفعل طرق التعلم الآلي كمكملة لنماذج الفيزياء التقليدية.
ما يعنيه ذلك للتنبؤات الجوية المستقبلية
ظهور نماذج مثل GraphCast يفتح آفاقًا مثيرة للأرصاد الجوية العالمية. بالنسبة للخدمات الأرصادية الوطنية والدولية، هذا يعني إمكانية تحسين دقة إنذارات المبكر للفعاليات الخطرة مثل الفيضانات أو حرائق الغابات أو العواصف. بالنسبة للقطاعات الاقتصادية التي تعتمد على الأرصاد الجوية، مثل الزراعة أو الطاقة أو النقل، يمكن أن تترجم التنبؤات أكثر دقة وطويلة المدى إلى فوائد في الكفاءة والتكاليف المادية. سيستفيد أيضًا المواطنين من معلومات أفضل لنشاطاتهم اليومية. يتم دمج هذه نماذج الذكاء الاصطناعي في سلاسل العمليات التنبؤية بالفعل، مما يضمن تحسين مستمر لمعلومات الأرصاد الجوية المتاحة.
الحرب على الذكاء الاصطناعي في علم الأرصاد الجوية
ليس جوجل وحده هو المشارك في هذا المجال. هناك أيضًا مؤسسات البحث وأعمال التكنولوجيا التي تعمل على نماذج الذكاء الاصطناعي للأرصاد الجوية، مثل Pangu-Weather من هواوي. هذه المنافسة تحفز الابتكار وتسرع تطور هذه التقنيات. التعاون بين خبراء الذكاء الاصطناعي والمетеورولوجيين مهم لتصحيح هذه الأدوات الجديدة، فهم حدودها وتعظيم قدراتها. البيانات الفضائية والمعالم البيئية الأخرى تلعب دورًا حاسمًا في تغذية هذه النماذج، مما يجعل التقدم التقني مرتبطًا بشكل أساسي بالتقدم في جمع ومعالجة البيانات. يُظهر المستقبل للتنبؤات الجوية أن يكون هíbridًا، يجمع بين قوة التحليلات الفيزيائية مع سرعة وقدرة التعلم لشبكات العصبونات.
أهمية البيانات التاريخية لتدريب GraphCast
القدرة الاستثنائية لGraphCast تعتمد بشكل كبير على جودة وكمية البيانات المستخدمة في تدريبه. عقود من البيانات الجوية، المستخرجة من تجارب الأرصاد الجوية السابقة،
Cet article vous a-t-il été utile ?
